股票市场建立一百多年以来,对股票价格的准确预测一直是众多投资者和学者梦寐以求的目标,然而影响股票价格的因素非常之多,各因素的影响程度、时间范围和方式又不尽相同,造成异常复杂的价格波动变化,使对其准确预测变成一件异常困难的任务。尽管如此,由准确预测寻求套利的机会从而获得超额的收益吸引着一代又一代的学者和投资者进行研究和实践,他们不断的从不同角度、不同理论、不同投资策略和不同的实际经验中发展出了众多的预测方法。 本文主要是对神经网络和模糊理论在股票市场的应用研究。(1) 本文首先利用深圳股票市场的股价指数收益率作为研究样本,建立神经网络预测模型,在模型中包括有BP神经网络和GARCH波动变量,透过不同的准则方式,分析中国股票市场的价格变化情况,并对股票价格预测问题进行了一定程度的探讨。实证研究结果表明,加入GARCH波动变量后的BP-GARCH神经网络模型无论是在对股票指数收益率估计样本和测试样本的误差分析方面,还是在对预测符号的准确性方面都优于BP神经网络。(2) 本文提出了一种基于可解释性模糊模型的股票指数收益率预测方法。首先利用改进的模糊聚类算法辨识初始模糊模型,采用聚类有效性函数确定模糊规则数目,然后利用集合相似性度量对隶属函数进行融合,从而提高其可解释性,最后采用约束LM算法整体优化模糊模型,在保持可解释性不变的前提下,提高了模型的精度。深圳成分指数股票收益率的预测过程的模糊建模,验证了该方法的有效性。